公开(公告)号：CN110267292B

公开(公告)日：2022-07-08

申请号：CN201910408711.5

申请日：2019-05-16

Applicant: 湖南大学

Inventor： 陈岑 ,  符潇 ,  李肯立 ,  李克勤

IPC: H04W24/06 ,  H04L41/147 ,  H04L41/14 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于三维卷积神经网络的蜂窝网络流量预测方法，包括以下步骤：将网络流量数据建模为三维张量输入形式得到三维网络流量数据模型；根据三维网络流量数据，获取训练集数据和测试集数据；构造基础三维卷积神经网络；对短时依赖数据进行三维卷积神经网络的训练得到短时特征，对长时依赖数据进行三维卷积神经网络的训练得到长时特征；对短时特征以及长时特征进行融合训练，得到特征矩阵，作为基础三维卷积神经网络的输出，形成训练模型；使用训练模型对待预测的网络流量数据进行预测，得到网络流量预测结果。本发明提供的预测方法同时考虑网络流量数据的短期相关性和长时趋势性，捕获网络流量数据时序上的特征相关性。

公开(公告)号：CN110267292A

公开(公告)日：2019-09-20

申请号：CN201910408711.5

申请日：2019-05-16

Applicant: 湖南大学

Inventor： 陈岑 ,  符潇 ,  李肯立 ,  李克勤

IPC: H04W24/06 ,  H04L12/24 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于三维卷积神经网络的蜂窝网络流量预测方法，包括以下步骤：将网络流量数据建模为三维张量输入形式得到三维网络流量数据模型；根据三维网络流量数据，获取训练集数据和测试集数据；构造基础三维卷积神经网络；对短时依赖数据进行三维卷积神经网络的训练得到短时特征，对长时依赖数据进行三维卷积神经网络的训练得到长时特征；对短时特征以及长时特征进行融合训练，得到特征矩阵，作为基础三维卷积神经网络的输出，形成训练模型；使用训练模型对待预测的网络流量数据进行预测，得到网络流量预测结果。本发明提供的预测方法同时考虑网络流量数据的短期相关性和长时趋势性，捕获网络流量数据时序上的特征相关性。